Факторный анализ с применением ЭВМ

Факторный анализ — это процедура установления силы влияния факторов на функцию или результативный признак (полезный эф­фект машины элементы совокупных затрат, производительности труда и т.д.) с целью ранжирования факторов для разработки плана орга­низационно-технических мероприятий по улучшению функции.

Применение методов факторного анализа требует большой под­готовительной работы и трудоемких по установлению моделей рас­четов. Поэтому без ЭВМ не рекомендуется применять методы кор­реляционного и регрессионного анализа, главных компонент. К тому же в настоящее время для ЭВМ различных классов имеются стан­дартные программы по этим методам. В свою очередь пользоваться установленными с помощью ЭВМ моделями очень просто.

На подготовительной стадии факторного анализа большое внима­ние следует уделять качеству матрицы исходных данных для ЭВМ. С этой целью сначала рекомендуется на основе логического анализа определять группы факторов, влияющих на исследуемую функцию.

К исходным данным предъявляются следующие требования:

а) в объем выборки должны включаться данные только по одно­родной совокупности объектов анализа, т.е. одного назначения и класса, используемых (изготавливаемых, функционирующих) в ана­логичных условиях по характеру и типу производства, режиму ра­боты, географическому району и т.д. В том случае, когда необходи­мо увеличить размер матрицы, исходные данные отдельных объек­тов могут быть приведены в сравнимый вид с большинством объектов по отличающимся признакам путем умножения их на корректирующие коэффициенты;

б) период динамического ряда исходных данных должен быть небольшим, но, по возможности, одинаковым для всех объектов. Устойчивый период упреждения (зона прогноза) обычно в два и более раза меньше периода динамического ряда. Например, по дан­ным за 1985-1995гг. можно разработать прогноз до 2000г., а в после­дующие годы по фактическим данным модель должна обновляться (уточняться);

в) исходные данные должны быть качественно однородными, с небольшими интервалами между собой;

г) следует применять одинаковые методы или источники фор­мирования данных. Если динамический ряд имеет крупные струк­турные сдвиги (например из-за изменения цен, ассортимента вы­пускаемой продукции, программы ее выпуска и т.д.), то все данные должны быть приведены в сравнимый вид или одинаковые условия;

д) отдельные исходные данные должны быть независимы от пре­дыдущих и последующих наблюдений. Например, наблюдение не дол­жно определяться расчетным путем по предыдущему наблюдению.

Основные параметры корреляционно-регрессионного анализа в связи с их сложностью не приводятся, поскольку все расчеты пред­полагается выполнять на ЭВМ по стандартной программе. Конеч­ные результаты расчета выдаются на печать (табл. 4.3).

Таблица 4.3

Основные параметры корреляционно-регрессионного анализа

 

Название параметра	Обоз­наче­ние	Что характеризует параметр и для чего применяется	Оптимальное зна­чение параметра
1. Объем вы­борки	m	Количество данных по фак­тору (размер матрицы по вертикали). Применяется для установления тенденций из­менения фактора	Не менее чем в 3-5раз больше коли­чества факторов (nxi) С увеличением количества факто­ров кратность должна увеличи­ваться
2. Коэффици­ент вариа­ции	Vi	Уровень отклонения значений факторов от средней анализи­руемой совокупности	Меньше 33 %
3. Коэффици­ент парной корреляции	rxy	Тесноту связи между i-м фак­тором и функцией. Применя­ется для отбора факторов	Больше 0,1
4. Коэффициент частной кор­реляции	rxx	Тесноту связи между факто­рами. Применяется для отбо­ра факторов	Чем меньше, тем лучше модель
5. Коэффициент множествен­ной корреля­ции	R	Тесноту связи одновременно между всеми факторами и функцией. Применяется для выбора модели	Больше 0,7
6. Коэффициент множествен­ной детерми­нации	D	Долю влияния на функцию включенных в модель факто­ров. Равен квадрату коэффи­циента множественной корре­ляции	Больше 0,5
7. Коэффициент асимметрии	А	Степень отклонения фактиче­ского распределения случай­ных наблюдений от нормаль­ного по центру распределения. Применяется для проверки нормальности распределения	Метод наименьших квадратов может применяться при А меньше трех
8. Коэффициент эксцесса	Е	Плосковершинность распределения случайных наблюдений от нормального по цен­ тру распределения Применяется для проверки нормальности распределения функции	Е должен быть меньше трех
9. Критерий Фишера	F	Математический критерий, характеризующий значимость уравнения регрессии. Приме­няется для выбора модели	F должен быть больше табличного значения, установ­ленного для раз­личных размеров матрицы и вероят­ностей
10. Критерий Стьюдента	t	Существенность факторов, входящих в модель. Приме­няется для выбора модели	Больше двух (при вероятности, рав­ной 0,95)
11. Среднеквад-ратическая ошибка коэф­фициентов регрессии	Δai	Точность полученных коэф­фициентов регрессии. Применяется для оценки коэффици­ентов регрессии	В два и более раза меньше соответствующего ко­эффициента регрес­сии
12. Ошибка аппрокси­мации	Е	Допуск прогноза или степень несоответствия эмпирической зависимости теоретиче­ской. Применяется для оцен­ки адекватности (точности) ­модели	Меньше (точнее)+15%
13. Коэффици­ент элас­тичности	Эi	Показывает, на сколько про­центов изменяется функция при изменении соответст­вующего фактора на 1 %.Применяется для ранжирова­ния факторов по их значимо­сти	Больше 0,01

 

Факторный анализ следует проводить в следующей последова­тельности:

1. Обоснование объекта анализа, постановка цели.

2. Сбор исходных данных и их уточнение в соответствии с ранее описанными требованиями.

3. Построение гистограмм по каждому фактору с целью опреде­ления форм распределения случайных наблюдений.

Построение по каждому фактору корреляционных полей, т.е. гра­фическое изображение функций от фактора с целью предварительно­го определения тесноты и формы связи между функцией и каждым фактором. Примеры корреляционных полей показаны на рис. 4.2.

Рис. 4.2. Примеры корреляционных полей

Корреляционные поля построены по исходным статистическим данным X₁ — Х₄ (факторы) и Y (функция). Анализ корреляционных полей показывает, что:

а) между Y и X₄ теснота связи слабая, по форме она линейная, обратно пропорциональная;

б) между Y и Х₁ теснота связи высокая, по форме она линейная, прямо пропорциональная;

в) между Y и Х₃ связи нет, т.к. функцию Y = f(X₃) можно прове­сти в любом направлении;

г) между Y и Х₄ теснота связи высокая, форма связи — гипербо­лическая, после линии А—А фактор Х₄ на Y уже не оказывает влияния.

4. Составление матрицы исходных данных производится по сле­дующей форме:

№ п/п	Y	X1	Х2	X3	Принадлежность строки
	5,80	0,93	1,47		Цех №1, I квартал 1997 г.
	6,15	0,82	1,59		Цех № 1, II квартал 1997 г.

 

и т. д.

В матрицу исходных данных следует включать факторы, имею­щие примерно такую форму связи, как Y с X₁ и Х₂ на рис. 4.2. Фактор Х₃ с Y не имеет связи, поэтому этот фактор не следует включать в матрицу, фактор Х₄ тоже не следует включать в матри­цу, поскольку после линии А—А этот фактор влияния на Y не ока­зывает. Влияние подобных факторов на Y следует учитывать при помощи коэффициентов, определяемых отдельно для каждого фактора и группы предприятий.

Наши исследования показывают, что к организационным факто­рам, имеющим с экономическими показателями гиперболическую форму связи, относятся уровень освоенности продукции в устано­вившемся производстве, программа ее выпуска и др.

5. Ввод информации и решение задачи на ЭВМ.

В экономических исследованиях для многофакторных регресси­онных моделей чаще всего приемлемы две формы связи факторов с функцией: линейная и степенная. Для двухфакторных моделей при­меняются также гиперболическая и параболическая формы связи.

6. Анализ уравнения регрессии и его параметров в соответ­ствии с требованиями, изложенными в табл. 4.3.

7. Составление матрицы исходных данных для окончательной модели и решение ее на ЭВМ. Апробация окончательной модели путем подстановки в нее фактических данных по одной из строк матрицы и сравнение полученного значения функции с ее факти­ческим значением.

При составлении новых матриц исходных данных из них исклю­чаются поочередно:

а) один из двух факторов, коэффициент частной корреляции между которыми значительно больше коэффициентов парной кор­реляции между функцией и этими факторами. Например, если между двумя факторами коэффициент частной корреляции равен 0,95, а коэффициенты парной корреляции между функцией и эти­ми факторами равны 0.18 и 0,73, то первый фактор с коэффициен­том парной корреляции, равным 0,18, из матрицы можно исклю­чить;

б) факторы с коэффициентами парной корреляции между ними и функцией менее 0,1;

в) только после соблюдения требований а) и б) исключаются из матрицы факторы, имеющие с функцией обратную, с точки зрения экономической сущности, связь. Например, с повышением сменно­сти работы цеха (фактор) должна расти его годовая производитель­ность (функция). Обратная же зависимость между ними свидетель­ствует о нерегулярном и недостоверном учете коэффициента смен­ности, а возможно, и производительности оборудования, либо о неправильной методике расчета этих показателей. Поэтому в этом случае фактор необходимо исключить из матрицы исходных дан­ных и изучать систему учета.

Из матрицы могут быть исключены также отдельные строки по предприятиям (периодам), не отвечающие ранее описанным требо­ваниям.

Параметры окончательного уравнения регрессии должны отве­чать требованиям табл. 4.3. Если невозможно этого достигнуть, мо­дель для ранжирования факторов и прогнозирования экономичес­ких показателей не может быть использована. Она пригодна только для предварительного отбора факторов.

8. И последнее — ранжирование.

Ранжирование факторов осуществляется по показателю их элас­тичности. Фактору с наибольшим коэффициентом эластичности при­сваивается первый ранг, и он является важнейшим. Например, если два фактора имеют коэффициенты эластичности, равные 0,35 и 0,58, то второму фактору нужно отдать предпочтение перед первым при распределении ресурсов на улучшение данной функции (при улуч­шении второго фактора на 1% функция улучшается на 0,58%, а по первому фактору — 0,35%).

Нами проведены специальные исследования зависимостей меж­ду элементами затрат и организационными факторами (программа выпуска продукции, уровень ее освоенности, тенденция роста про­изводительности труда). Результаты исследований показали, что эти факторы на экономические показатели оказывают влияние только в определенных границах по гиперболической форме связи. Поэтому эти факторы не должны включаться в общую многофакторную мо­дель, их влияние на функцию должно учитываться отдельно. На­пример, себестоимость продукции прогнозируется по формуле

З = З_р · К_m · К_осв · К_прt (4.2)

где 3 — прогнозное значение себестоимости продукции, рас­считанное с учетом организационных факторов производства и тех­нических параметров конструкции;

З_р — прогнозное значение себестоимости продукции, рас­считанное по ее техническим параметрам;

К_m — коэффициент, учитывающий влияние на себестои­мость изменения программы выпуска нового изделия по сравне­нию с программой выпуска базового (или группы аналогичных про­ектируемому) изделия. Для изделий массового выпуска этот коэф­фициент равен единице;

К_осв — коэффициент, учитывающий влияние на себесто­имость уровня освоенности конструкции изделия;

К_прt — коэффициент, учитывающий закономерность не­уклонного роста производительности труда. Он определяется по формуле

(4.3)

где ΔП — среднегодовой (за последние 5 лет) прирост про­изводительности труда на предприятии (по общему объему продаж);

α — доля фонда заработной платы в себестоимости продук­ции, доли единицы;

t — интервал времени в годах, разделяющий периоды вы­пуска базовой и новой продукции.

Анализ применения регрессионных моделей показывает, что в общем случае с повышением коэффициента множественной корре­ляции улучшаются другие параметры модели. Однако между коэф­фициентом множественной корреляции и ошибкой аппроксимации не наблюдается устойчивой связи. Покажем это на примере.

Для ранжирования факторов, например, влияющих на годовые зат­рать! на эксплуатацию и ремонты воздушных поршневых компрессо­ров в условиях ряда машиностроительных предприятий Краснодарс­кого края, окончательно были установлены следующие зависимости:

Y₁ = 25,7 + 1,53X₆ – 0,158X₇ – 4,09X₈ + 0,0223X₉,

Y₁ = 0,91X₆^0.967 · X₇^–0.817 · X₈^–1,525 · X₉^0.065

где Y₁ — годовые затраты на эксплуатацию и ремонт воздушных поршневых компрессоров в условиях краснодарских машинострои­тельных заводов, у.е.;

X₆ — годовая производительность компрессора, м³;

Х₇ — уровень централизации изготовления запасных частей к компрессорам, %;

X₈ — средний разряд рабочих, обслуживающих эти комп­рессоры;

X₉ — возраст компрессоров на 01.01.1995 г. (по дате их изго­товления), лет.

Структура затрат в данном примере: около 60% — энергия и топливо, 25 — заработная плата, 6 — амортизация, 6 — ремонты (без энергии и заработной платы), 3% — вспомогательные материалы.

Для обоих уравнений коэффициенты множественной корреляции равны 0,95. Ошибка аппроксимации для линейной формы связи рав­на ±21,4%, а для степенной ±11,5%. Вторая модель почти в два раза точнее первой, хотя коэффициенты корреляции одинаковы. Коэффи­циенты эластичности факторов по этим уравнениям отличаются не­значительно: для линейной формы связи соответственно 0,900; 0,980; 1,630; 0,060, а для степенной — 0,967; 0,817; 1,525 и 0,065.

Между коэффициентами корреляции и эластичности тоже от­сутствует устойчивая связь.

Регрессионные модели могут также применяться для установле­ния факторов, оказывающих влияние на различные экономические показатели.

Факторный анализ может проводиться и без ЭВМ (см. п. 4.7).